<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[电力系统保护与控制 -->负荷预测]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于元学习的时变非线性负荷预测组合算法]]></title>
<link><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071704]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[单一的预测算法或多或少存在着归纳偏置，由此导致了系统偏差的普遍性。提出了一种基于元学习的时变非线性组合预测算法，该算法在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识，作为元预测器的输入，从而发现并且纠正基预测器的系统偏差。在元预测器中，通过门控网络确定各基预测器的权重，保证了权重的时变性和非负性。将该算法应用于电力负荷超短期预测，预测结果表明，该算法的预测精度高于单一预测算法和常用的线性和非线性组合算法。]]></description>
<pubDate></pubDate>
<category><![CDATA[负荷预测]]></category>
<author><![CDATA[罗滇生,肖伟,何洪英]]></author>
<guid><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071704]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于改进PSO-BP神经网络的短期电力负荷预测研究]]></title>
<link><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071705]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[粒子群优化（PSO）算法是基于群智能的全局优化技术，它通过粒子间的相互作用，对解空间进行智能搜索，从而发现最优解。该文对基本粒子群算法进行改进，并将改进粒子群优化算法与误差反向传播（BP）算法结合起来构成的混合算法用于训练人工神经网络，对短期电力负荷进行预测。实践结果表明：改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题，具有较快的收敛速度和较高的预测精度。]]></description>
<pubDate></pubDate>
<category><![CDATA[负荷预测]]></category>
<author><![CDATA[乔维德]]></author>
<guid><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071705]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于小波分析的短期电力负荷组合预测方法]]></title>
<link><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071706]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为了提高电力系统短期负荷预测的精度，提出了基于小波分析的人工神经网络(ANN)和累积式自回归滑动平均(ARIMA)模型的组合预测方法。针对电力系统负荷具有拟周期性、非平稳性和非线性的特点，首先利用小波变换对负荷序列进行小波分解与单支重构，得到各频段上的近似序列和细节序列。根据各序列的自身特点，将经奇异性检测后的数据分别采用相匹配的BP模型和ARIMA模型进行预测，最后将各负荷序列的预测结果加以组合得到最终的预测结果。经实际算例验证，该方法能够有效地提高预测精度。]]></description>
<pubDate></pubDate>
<category><![CDATA[负荷预测]]></category>
<author><![CDATA[石恒初,严正,黄涛,葛夕武]]></author>
<guid><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071706]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[含有山区小水电负荷的气象回归短期负荷预测技术]]></title>
<link><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071413]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[将负荷分解为正常负荷及小水电负荷，进一步将其分别分解为气象负荷和长期趋势负荷分量，建立气象因素和气象负荷的回归关系，并以回归结果对历史负荷数据进行相似搜索，该方法可提高预测样本同被预测日负荷的相似度，从而增加预测结果的可信度和精确度。采用多种负荷预测方法以权重优化组合的方式进行负荷组合预测。应用实例证明，所提出的方法可体现不同地区、不同类型、不同气象敏感度的负荷特性，对于负荷总量较小，变动范围较大，受天气因素影响明显且含有山区小水电负荷的地区具有较好的精度。]]></description>
<pubDate></pubDate>
<category><![CDATA[负荷预测]]></category>
<author><![CDATA[金义雄<sup>1</sup>,段建民<sup>1</sup>,杨俊强<sup>2</sup>,甄执根<sup>3</sup>,徐斌<sup>3</sup>,储召云<sup>3</sup>,李宏仲<sup>4</sup>,王承民<sup>4</sup>,曾令国<sup>5</sup>]]></author>
<guid><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071413]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于面向对象的电力系统中长期负荷预测软件的开发]]></title>
<link><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071414]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为了更方便、快捷、准确地进行中长期负荷预测，开发了基于Windows的电力系统中长期负荷预测软件。软件采用面向对象程序设计方法，使系统易扩充、易维护。该软件除具有一般负荷预测软件所具有的计算快速、模型库丰富等特点之外，还有原始数据输入简单方便、模型库扩充简易、具备饱和负荷预测以及考虑了与其它常用软件的接口等独特的地方。以华东某地区的供电量历史数据为例，选择了5种不同模型进行预测，并对结果进行了分析和比较，最后还对该地区进行了“s”型饱和负荷预测。分析表明该软件使用方便，预测精度满足电力负荷预测的精度要求，]]></description>
<pubDate></pubDate>
<category><![CDATA[负荷预测]]></category>
<author><![CDATA[史林军<sup>1,2</sup>,唐国庆<sup>1</sup>,马晓东<sup>3</sup>,徐青山<sup>2</sup>]]></author>
<guid><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20071414]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[小波支持向量机与相空间重构结合的短期负荷预测研究]]></title>
<link><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20080707]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[提出了基于小波支持向量机(WSVM)与相空间重构(PSRT)相结合的电力系统短期负荷预测(STLF)模型。使用小波核函数(WKF)构建相应的WSVM，并且用云遗传算法(CGA)对相关参数进行优化。在分析负荷时间序列的混沌特性基础上，对序列进行了PSRT，将相空间中的向量点作为WSVM的输入。该方法不考虑气象和节假日等条件，只使用历史负荷数据。仿真结果表明，新算法有较好的精确度和有效性，具有一定的实用价值。]]></description>
<pubDate></pubDate>
<category><![CDATA[负荷预测]]></category>
<author><![CDATA[郑永康,陈维荣,戴朝华]]></author>
<guid><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20080707]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[证据理论在短期负荷预测相似日选择中的应用]]></title>
<link><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20080708]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[合理选择预测相似日是提高综合负荷预测模型预测效果的有效途径。依据人工经验选相似日的传统方法并不具备最好的预测效果。选择相似日问题可以归结为一个判决问题，即选择与待预测日气象等因素最相似的一天。影响电力系统短期负荷的因素有很多，且常常难以定量表达，针对电力系统短期负荷预测中存在的不确定性问题，将证据理论应用于短期负荷预测中的相似日选择上来。用广西某地方电网的实际数据验证表明，将证据理论应用于相似日的选取，能较准确选择相似日从而提高了预测精度。]]></description>
<pubDate></pubDate>
<category><![CDATA[负荷预测]]></category>
<author><![CDATA[李如琦<sup>1</sup>,唐卓贞<sup>1</sup>,唐伍斌<sup>2</sup>,郑贤<sup>2</sup>,杨立成<sup>1</sup>]]></author>
<guid><![CDATA[https://www.dlbh.net/dlbh/article/abstract/20080708]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>